用真实游戏负载重算四家模型账单

同样是 51,000 次 API 调用，按四家供应商的低价文本模型估算，账单可以从 $47.16 拉到 $167.52。但这里的「同样」有条件：作者固定了狼人杀游戏的平均 token 用量，再套用公开价目表，并没有让四个模型各跑一遍游戏。

这篇最有用的地方，是把选模型的问题从「每百万 token 多少钱」推进到了「一次有效调用到底花多少钱」。最低报价只是起点，输出长度、缓存命中和漏记的费用，都会改变最后的账单。

$47.16 是怎么从真实账单里算出来的

作者分析的是 Aliaksei Zelianouski 公布的 AI 狼人杀游戏数据：53 天发生 51,000 次 API 调用，总支出 $337.21，平均每天 $6.36。一局实际游戏约有 165 个 AI 回合，花费 $1.49。

这些是游戏开发者的实测记录。本文作者做的是另一件事：根据六类机器人回合的占比和 token 用量，算出平均回合，再按四家供应商的价格重新计费。

原文提供的价格口径是 2026-11-12、每百万 token、标准非批处理价格：

模型	未缓存输入	缓存读取	输出
OpenAI GPT-6 Luna	$0.10	$0.01	$0.50
Anthropic Claude Haiku 5.5	$0.10	$0.01	$0.50
Google Gemini 3.5 Flash-Lite	$0.30	$0.03	$2.50
DeepSeek deepseek-flash（V4.1 Flash），高峰时段	$0.30	$0.006	$1.20

Claude 的报价适用于提示词少于 100k tokens；DeepSeek 非高峰时段的上述价格全部减半。这些均是原文记录的报价，不能直接当成长期有效的采购依据。

计算方法很直接：未缓存输入、缓存输入、输出分别乘对应单价，再相加。结果是 Luna 与 Haiku 5.5 并列 $47.16，Flash-Lite 为 $167.52，相差约 3.5 倍、约 $120。所给原文没有列出 DeepSeek 的完整模拟账单，也没有展示平均输入 token 的具体数值，因此这里无法独立复算全部结果。

作者还做了一次交叉核对：开发者实测 Luna 每回合为 0.09 美分，价目表计算值为 0.092 美分；DeepSeek Flash 的实测值同样为 0.09 美分。至少在 Luna 上，估算与真实记录很接近。

为什么输出和缓存比低价标签更关键

这份负载平均每回合输出 510 tokens。Flash-Lite 的输出单价是 $2.50，Luna 和 Haiku 是 $0.50，差距达到五倍。按作者的计算，Google 账单更高，主要就高在这里。

输入便宜，不代表整次调用便宜。

游戏里还有一个容易被平均值遮住的环节：摘要回合只占回合数的 11%，却占机器人支出的 21%。它输入最多、输出最多，缓存又几乎帮不上忙。如果只看调用次数，很容易低估这个环节的成本。

缓存也有使用条件。开发者的机器人需要等待真人输入，调用间隔中位数为 4 分钟，最终平均只有 28% 的输入 tokens 命中缓存。不能看到价目表上的缓存折扣，就默认所有历史上下文都能享受这个价格。

原文没有进一步拆出缓存命中偏低的完整原因。等待时间、提示词组织方式和具体缓存规则分别贡献多少，不能仅凭这组数据确定。

为什么最低账单还不能当迁移预算

$47.16 是固定负载下的估算下限，不是原账单的完整重放。

第一，51,000 次真实调用并不全是机器人回合。其中包含 12,015 次分类调用，用于路由和内容筛查，合计只花了 $1.96；故事生成、Game Master 旁白的 token 结构也不同。作者把它们全部按机器人平均回合计算，改变了任务构成。

第二，估算没有计入缓存写入附加费。原文称 Anthropic 的 1 小时缓存写入、OpenAI 的缓存写入都可能产生额外费用；开发者的 Claude 实际账单曾达到追踪器记录的 1.54 倍，原因正是漏记了这项费用。作者因此要求把这两家的估算当作下限，具体计费规则仍需核对。

第三，510 tokens 的平均输出已经包含推理 tokens。把同一个数字套给所有模型，方便比较单价，却不能证明它们执行任务时都会生成同样多的 tokens。

原游戏在这 53 天里的实际文本支出是 $212.30，使用了 27 个模型，其中有模型每回合花费 10.6 美分。它与 $337.21 总支出的差额，所给原文没有完整解释，不能自行归类。

我的判断

我认同作者把成本落到真实任务上的方向。对持续运行的 AI 应用，单看输入单价很容易选错，摘要、长输出和缓存写入都可能吃掉预期中的节省。

但这仍然是价格比较，不是模型性价比测试。作者没有提供四个模型在狼人杀任务中的质量、失败率、重试次数或游戏完成情况。最低单价的模型是否需要更多提示、更长输出，甚至返工，原文没有对照数据。

所以，「换成最低价模型后文本账单能落到 $47 至 $168」应当理解为固定 token 用量下的预算参考。对实际迁移，更可靠的路径是先用统一负载筛选候选，再让候选模型跑真实任务，比较完成任务的总成本。原作者最后那句建议成立：先跑自己的负载，再用实际花费除以调用次数。

能拿来做什么

• 给 Node 服务里的 AI 调用按任务记账，至少区分分类、摘要和正文生成，分别记录输入、缓存、输出及费用，避免平均值掩盖昂贵环节。
• 如果应用包含多轮聊天或等待用户输入，先测实际缓存命中率，再估预算，并把缓存写入费用纳入账单核对。
• 更换 AI 编程模型时，用同一批真实任务试跑，同时记录任务是否完成、调用次数和总费用。每次调用更便宜，只有在任务完成情况可接受时才有意义。